CN111479218A - 一种基于dqpso算法的定位性能优化方法 - Google Patents

一种基于dqpso算法的定位性能优化方法 Download PDF

Info

Publication number
CN111479218A
CN111479218A CN202010387920.9A CN202010387920A CN111479218A CN 111479218 A CN111479218 A CN 111479218A CN 202010387920 A CN202010387920 A CN 202010387920A CN 111479218 A CN111479218 A CN 111479218A
Authority
CN
China
Prior art keywords
anchor node
anchor
nodes
node
hop
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010387920.9A
Other languages
English (en)
Other versions
CN111479218B (zh
Inventor
王静
韩德志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202010387920.9A priority Critical patent/CN111479218B/zh
Publication of CN111479218A publication Critical patent/CN111479218A/zh
Application granted granted Critical
Publication of CN111479218B publication Critical patent/CN111479218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于DQPSO算法的定位性能优化方法，包括以下步骤：步骤1：锚节点第一次跳数计算，获得第一最小跳数；步骤2：根据第一最小跳数筛选平均计算，获得平均跳矩；步骤3：根据平均跳矩和第一最小跳数进行修正精度处理，获得最终平均跳矩；步骤4：锚节点与未知节点第二次跳数计算，获得第二最小跳数；步骤5：根据最终平均跳矩和第二最小跳数距离计算，获得未知节点与锚节点的估计距离；步骤6：根据估计距离进行坐标计算，获得未知节点的估计坐标，完成定位性能优化。此发明解决了传统DV‑HOP算法未知节点定位误差率高的问题，通过剔除误差大的锚节点、修正平均跳矩，并采用DQPSO算法，对未知节点的估计坐标进行优化和修正，提高了定位精度。

Description

一种基于DQPSO算法的定位性能优化方法
技术领域
本发明涉及无线传感器网络技术领域，具体涉及一种基于DQPSO算法的定位性能优化方法。
背景技术
无线传感器网络(WSN)是由大量安放在监测区域内的无线传感器节点组成。具有低成本、体积小、传输距离远等优势，广泛应用于军事、医疗环境监测等方面。
WSN节点定位技术是WSN应用于目标监测、目标识别和目标跟踪的支撑技术，其算法可分为基于非测距(Range-free)的算法和基于测距(Range-based)的算法，测距技术有信号强度(RSSI)、信号到达时间(TOA)、信号到达时间差(TDOA)等，无需测距的定位算法有质心算法、三角形内点测试(APIT)算法、Distance vector-hop location algorithm(DV-HOP)算法和凸规划算法等，其中非测距DV-Hop算法因具有成本低、能耗小、算法实现简单等特点而被广泛应用，但该算法也存在定位误差较大的不足。
为了提高DV-Hop算法的定位精度，国内学者引入群体智能算法对其进行优化。
俞云萍等人提出的专利1：基于差分进化(DE)算法改进的无线传感器网络DV-Hop节点定位方法，采用DE算法估算未知节点的具体位置，但没有结合量子粒子群实现容易、精度高、收敛快等优点。
肖本贤等人提供的专利2：一种基于免疫粒子群优化的DV-HOP室内定位算法，将免疫粒子群算法引入DV-HOP室内定位方法，利用免疫算法改进粒子群方法，通过粒子群的交叉和变异操作，寻求迭代精度最大和适应度最好的情况，提高了粒子种群的多样性维持能力，扩大解的搜索空间，提高了算法的收敛速度，在精度和全局搜索能力方面都有明显的提高。
张中芳等人提供文献1：基于量子粒子群优化的DV-Hop算法研究中提出了一种基于量子粒子群优化的DV-HOP算法，该算法采用具有量子行为的量子粒子群(QPSO)算法对DV-HOP算法中未知节点的估计结果进行优化和修正。
高美凤等人在遗传粒子群优化的DV-Hop定位算法中提出了结合遗传粒子群的DV-HOP定位算法(GAPSO-DV-HOP)。首先根据最大理想跳数筛选锚节点，计算加权平均每跳距离，权重采用锚节点之间距离、最小跳数、以及通信半径构成；其次，用遗传机制改进粒子群算法以代替最小二乘法。
针对DV-HOP算法第一阶段锚节点随机部署产生的不良节点，第二阶段锚节点间平均跳距误差较大，第三阶段未知节点坐标计算估计误差较大的问题，本专利提出了一种基于差分量子粒子群(DQPSO)算法的定位性能优化算法。
发明内容
本发明的目的是提供一种基于DQPSO算法的定位性能优化方法。此方法旨在解决传统DV-HOP算法中未知节点定位误差率高的问题，通过剔除误差大的锚节点、修正平均跳矩，并采用DE算法和QPSO算法融合的DQPSO算法，对未知节点的估计坐标进行优化和修正，从而提高定位精度。
为达到上述目的，本发明提供了一种基于DQPSO算法的定位性能优化方法，包括以下步骤：
步骤1：在无线传感器网络中随机部署若干个传感器节点，且传感器节点中的所有锚节点进行第一次跳数计算，获得每个锚节点与所有锚节点之间的第一最小跳数；
步骤2：根据每个锚节点的第一最小跳数进行筛选平均计算，获得无线传感器网络中所有锚节点的平均跳矩；
步骤3：根据平均跳矩和第一最小跳数进行修正精度处理，获得所有锚节点的最终平均跳矩；
步骤4：传感器节点中的所有锚节点与所有未知节点进行第二次跳数计算，获得每个未知节点与每个锚节点之间的第二最小跳数；
步骤5：根据所有锚节点的最终平均跳矩和第二最小跳数进行距离计算，获得每个未知节点与每个锚节点之间的估计距离；
步骤6：基于最小二乘法和DQPSO算法，根据估计距离进行坐标计算，获得所有未知节点的估计坐标，完成定位性能的优化。
最优选的，第一次跳数计算还包括以下步骤：
步骤1.1：每个锚节点同时第一次广播各自的锚节点信息至无线传感器网络中；
步骤1.2：每个锚节点接收无线传感器网络中的所有锚节点n广播的锚节点信息，并筛选出每个锚节点与所有锚节点n之间的第一最小跳数。
最优选的，筛选包括以下步骤：
步骤1.2.1：锚节点i接收相邻锚节点e的锚节点信息后，记录锚节点i与相邻锚节点e的初始跳数值，且初始跳数值为0；
步骤1.2.2：相邻锚节点e将初始跳数值加1后，转发给相邻锚节点e的下一个相邻锚节点f，获得锚节点i与锚节点f的跳数值；
步骤1.2.3：将锚节点f继续转发至其余锚节点，重复步骤1.2.2，获得锚节点i与所有锚节点n的跳数值，并选择出锚节点i与所有锚节点n的第一最小跳数。
最优选的，筛选平均计算还包括以下步骤：
步骤2.1：计算无线传感器网络中锚节点i的最大理想跳数ki；锚节点i的最大理想跳数ki满足：
Figure BDA0002484540930000031
其中，di1,di2,di3,di4为锚节点i距离无线传感器网络的矩形区域的4个顶点的距离；R为通信半径；
步骤2.2：将锚节点i与锚节点j的第一最小跳数hij与对应的锚节点i的最大理想跳数ki进行大小比较，从所有锚节点n中筛选出第一最小跳数hij小于对应锚节点i的最大理想跳数ki的锚节点，为优质锚节点l；
步骤2.3：从优质锚节点l中选出任意两个锚节点i与锚节点j，并根据锚节点i与锚节点j的第一最小跳数hij进行平均计算，获得优质锚节点l的平均跳矩，作为无线传感器网络中所有锚节点n的平均跳矩HopSizeave；平均跳矩HopSizeave满足：
Figure BDA0002484540930000032
其中，(xi,yi)为锚节点i的坐标，(xj,yj)为锚节点j的坐标。
最优选的，修正精度处理还包括以下步骤：
步骤3.1：根据平均跳矩HopSizeave和第一最小跳数hij进行估计计算，获得锚节点i与锚节点j之间的估计距离dij；估计距离dij满足：
dij＝HopSizeave×hij；
步骤3.2：将估计距离dij与锚节点i与锚节点j之间的实际距离Dij进行误差比对，获得偏差系数δij；偏差系数δij满足：
Figure BDA0002484540930000041
步骤3.3：根据偏差系数δij计算获得平均跳矩HopSizeave的修正因子λij；修正因子λij满足：
λij＝1+δij；
并根据修正因子λij对平均跳矩HopSizeave进行修正处理，获得修正平均跳矩HopSizeλ-ave；修正平均跳矩满足：
HopSizeλ-ave＝λijHopSizeave；
步骤3.4：根据平均跳矩HopSizeave和修正平均跳矩HopSizeλ-ave进行精度处理，获得所有锚节点n的最终平均跳矩HopSizeF-ave；最终平均跳矩HopSizeF-ave满足：
Figure BDA0002484540930000042
最优选的，第二次跳数计算还包括以下步骤：
步骤4.1：锚节点i同时第二次广播各自的锚节点信息至无线传感器网络中；
步骤4.2：未知节点w接收无线传感器网络中的所有锚节点n广播的锚节点信息，并筛选出每个未知节点w与每个锚节点i之间的第二最小跳数twi。
最优选的，锚节点信息包括锚节点ID、锚节点位置以及跳数值。
最优选的，每个未知节点w与每个锚节点i之间的估计距离为Swi，且满足：
Swi＝HopSizeF-ave×twi。
最优选的，坐标计算包括以下步骤：
步骤6.1：根据每个未知节点w与每个锚节点i之间的估计距离Swi，基于最小二乘法，计算出每个未知节点w的初步估计坐标fw(x,y)；初步估计坐标满足：
Figure BDA0002484540930000051
步骤6.2：基于差分进化算法和量子粒子群算法融合的DQPSO算法，对初步估计坐标fw(x,y)进行迭代优化，获得所有未知节点的估计坐标Fw(x,y)。
最优选的，迭代优化还包括以下步骤：
步骤6.2.1：初始化种群，设置种群规模N、最大迭代次数T、收缩扩张系数的初始值和结束值，初始迭代次数t为0；
步骤6.2.2：更新初步估计坐标fw(x,y)为粒子个体w的坐标在第d维第t+1次迭代的位置
Figure BDA0002484540930000052
且满足：
Figure BDA0002484540930000053
其中，α为收缩扩张系数；u为在[0，1]上服从均匀分布的随机数；
Figure BDA0002484540930000054
为粒子个体w在第t次迭代时的局部吸引点，且满足；
Figure BDA0002484540930000055
其中，
Figure BDA0002484540930000056
为均匀分布在(0,1)之间的随机数；
Figure BDA0002484540930000057
为所述粒子个体w的最优位置；
Figure BDA0002484540930000058
为种群的最优位置；Cbest为平均最优位置，且满足：
Figure BDA0002484540930000059
步骤6.2.3：对粒子个体w在第d维第t+1次迭代的位置
Figure BDA00024845409300000510
进行变异操作，获得粒子个体w变异后的位置
Figure BDA00024845409300000511
且满足：
Figure BDA00024845409300000512
其中，
Figure BDA00024845409300000513
和
Figure BDA00024845409300000514
分别为第t次迭代时，随机选择的粒子个体w1,w2在第d维的位置；F为变异函数，且满足：
Figure BDA00024845409300000515
其中，Fmax和Fmin分别为F的最大值和最小值；f为粒子当前的最优个体适应度值；favg和fmin分别为当前所有粒子的平均适应度值和最小适应度值；
步骤6.2.4：对粒子个体w变异后的位置
Figure BDA00024845409300000516
进行交叉操作，获得粒子个体w交叉后的位置
Figure BDA0002484540930000061
且满足：
Figure BDA0002484540930000062
其中，CR为交叉概率；
步骤6.2.5：对粒子个体w交叉后的位置
Figure BDA0002484540930000063
进行选择操作，获得粒子个体w选择后的位置
Figure BDA0002484540930000064
且满足：
Figure BDA0002484540930000065
步骤6.2.6：根据适应度函数计算粒子个体w选择后的位置
Figure BDA0002484540930000066
计算估计坐标fw(x,y)的适应度值fitnessw，并更新种种群的最优位置
Figure BDA0002484540930000067
和粒子个体w的最优位置
Figure BDA0002484540930000068
适应度值fitnessw满足：
Figure BDA0002484540930000069
其中，N为未知节点的个数；
Figure BDA00024845409300000610
为粒子个体w选择后的位置坐标；(xi,yi)为锚节点i的位置坐标；种种群的最优位置
Figure BDA00024845409300000611
和粒子个体w的最优位置
Figure BDA00024845409300000612
分别满足：
Figure BDA00024845409300000613
Figure BDA00024845409300000614
步骤6.2.7：当迭代次数t达到最大迭代次数T时迭代终止，输出粒子个体w的最优解，即为未知节点w的估计坐标Fw(x,y)。
运用此发明，解决了传统DV-HOP算法中未知节点定位误差率高的问题，通过剔除误差大的锚节点、修正平均跳矩，并采用DE算法和QPSO算法融合的DQPSO算法，对未知节点的估计坐标进行优化和修正，从而提高了定位精度。
相对于现有技术，本发明具有以下有益效果：
1、本发明提供的优化方法通过计算最大理想跳数筛选出优质锚节点，并将误差大的锚节点剔除，降低了未知节点定位的误差率。
2、本发明提供的优化方法对锚节点与锚节点之间的平均跳矩进行了修正，降低了未知节点定位的误差率。
3、本发明提供的优化方法节点定位阶段采用差分进化(DE)算法和量子粒子群(QPSO)算法融合的DQPSO算法，对未知节点的估计坐标进行优化，利用该算法高速收敛性和鲁棒性的特点，对未知节点的估计坐标进行优化和修正，从而提高定位精度。
附图说明
图1为本发明提供的定位性能优化方法流程示意图。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。
本发明是一种基于DQPSO算法的定位性能优化方法，如图1所示，包括以下步骤：
步骤1：初始化无线传感器网络，并在无线传感器网络中随机部署若干个传感器节点，且传感器节点中的所有锚节点n进行第一次跳数计算，获得每个锚节点与所有锚节点之间的第一最小跳数。
其中，第一次跳数计算包括以下步骤：
步骤1.1：每个锚节点同时第一次广播各自的锚节点信息至无线传感器网络中；其中，锚节点信息包括锚节点ID、锚节点位置以及跳数值。
步骤1.2：每个锚节点接收无线传感器网络中的所有锚节点n广播的锚节点信息，并筛选出每个锚节点与所有锚节点n之间的第一最小跳数。
其中，筛选还包括以下步骤：
步骤1.2.1：锚节点i接收相邻锚节点e的锚节点信息后，记录锚节点i与相邻锚节点e的初始跳数值，且初始跳数值为0；
步骤1.2.2：相邻锚节点e将初始跳数值加1后，转发给相邻锚节点e的下一个相邻锚节点f，获得锚节点i与锚节点f的跳数值；
步骤1.2.3：将锚节点f继续转发至其余锚节点，重复步骤1.2.2，获得锚节点i与所有锚节点n的跳数值，并选择出锚节点i与所有锚节点n的第一最小跳数。
步骤2：根据每个锚节点的第一最小跳数进行筛选平均计算，获得无线传感器网络中所有锚节点n的平均跳矩。
其中，筛选平均计算还包括以下步骤：
步骤2.1：计算矩形区域的无线传感器网络中锚节点i的最大理想跳数ki；锚节点i的最大理想跳数ki满足：
Figure BDA0002484540930000081
其中，di1,di2,di3,di4为锚节点i距离矩形区域的无线传感器网络的4个顶点的距离；R为通信半径。
步骤2.2：将锚节点i与锚节点j的第一最小跳数hij与对应的锚节点i的最大理想跳数ki进行大小比较，从所有锚节点n中筛选出第一最小跳数hij小于对应锚节点i的最大理想跳数ki的锚节点，为优质锚节点l。
在理想情况下，平均每跳距离与通信半径是接近的，当锚节点i接收到距离其他锚节点j的第一最小跳数hij超出了节点分布范围的最大理想跳数ki时，说明该路径中锚节点i的共线性较低，用其参与计算锚节点i的平均跳距会引起大的误差。
因此，从所有锚节点n中剔除误差大的锚节点，不参与所有锚节点n的平均跳距的计算，筛选出优质锚节点l，然后再通过优质锚节点l计算所有锚节点n的平均跳距。
步骤2.3：从优质锚节点l中选出任意两个锚节点i与锚节点j，并根据锚节点i与锚节点j的第一最小跳数hij进行平均计算，获得优质锚节点l的平均跳矩，作为无线传感器网络中所有锚节点n的平均跳矩HopSizeave；平均跳矩HopSizeave满足：
Figure BDA0002484540930000082
其中，(xi,yi)为锚节点i的坐标，(xj,yj)为锚节点j的坐标。
步骤3：根据平均跳矩HopSizeave和第一最小跳数hij进行修正精度处理，获得所有锚节点n的最终平均跳矩HopSizeF-ave。
其中，修正精度处理还包括以下步骤：
步骤3.1：根据平均跳矩HopSizeave和第一最小跳数hij进行估计计算，获得锚节点i与锚节点j之间的估计距离dij；估计距离dij满足：
dij＝HopSizeave×hij；
步骤3.2：将估计距离dij与锚节点i与锚节点j之间的实际距离Dij进行误差比对，获得偏差系数δij；偏差系数δij满足：
Figure BDA0002484540930000091
偏离系数δij反映了估计距离dij与锚节点i与锚节点j之间的实际距离Dij的偏离程度；偏离系数δij越大，则未知节点位置坐标的计算产生的误差将会越大。
步骤3.3：根据偏差系数δij计算获得平均跳矩HopSizeave的修正因子λij；修正因子λij满足：
λij＝1+δij；
并根据修正因子λij对平均跳矩HopSizeave进行修正处理，获得修正平均跳矩HopSizeλ-ave；修正平均跳矩满足：
HopSizeλ-ave＝λijHopSizeave；
步骤3.4：根据平均跳矩HopSizeave和修正平均跳矩HopSizeλ-ave进行精度处理，获得所有锚节点n的最终平均跳矩HopSizeF-ave，用来提高计算未知节点的定位精度；最终平均跳矩HopSizeF-ave满足：
Figure BDA0002484540930000092
步骤4：传感器节点中的所有锚节点n与所有未知节点进行第二次跳数计算，获得每个未知节点w与每个锚节点i之间的第二最小跳数twi。
其中，第二次跳数计算还包括以下步骤：
步骤4.1：锚节点i同时第二次广播各自的锚节点信息至无线传感器网络中；
步骤4.2：未知节点w接收无线传感器网络中的所有锚节点n广播的锚节点信息，并筛选出每个未知节点w与每个锚节点i之间的第二最小跳数twi。
步骤5：根据所述所有锚节点n的最终平均跳矩HopSizeF-ave和第二最小跳数twi进行距离计算，获得所述每个未知节点w与每个锚节点i之间的估计距离；每个未知节点w与每个锚节点i之间的估计距离为Swi，且满足：
Swi＝HopSizeF-ave×twi。
步骤6：基于最小二乘法和DQPSO算法，根据估计距离Swi进行坐标计算，获得所有未知节点的估计坐标，完成定位性能优化。
其中，坐标计算包括以下步骤：
步骤6.1：根据每个未知节点w与每个锚节点i之间的估计距离Swi，基于三边测量法、极大似然估计法或者最小二乘法，计算出每个未知节点w的初步估计坐标fw(x,y)；初步估计坐标满足：
Figure BDA0002484540930000101
步骤6.2：基于差分进化(DE)算法和量子粒子群(QPSO)算法融合的DQPSO算法，对初步估计坐标fw(x,y)进行迭代优化，获得所有未知节点的估计坐标Fw(x,y)。
其中，迭代优化还包括以下步骤：
步骤6.2.1：初始化种群，设置种群规模N、最大迭代次数T、收缩扩张系数的初始值和结束值，初始迭代次数t为0；
步骤6.2.2：更新初步估计坐标fw(x,y)为粒子个体w的坐标在第d维第t+1次迭代的位置
Figure BDA0002484540930000102
且满足：
Figure BDA0002484540930000103
其中，α为收缩扩张系数；u为在[0，1]上服从均匀分布的随机数；当u＞0.5时，
Figure BDA0002484540930000104
取加号，其他情况
Figure BDA0002484540930000105
取减号；
Figure BDA0002484540930000106
为粒子个体w在第t次迭代时的局部吸引点，且满足；
Figure BDA0002484540930000107
其中，
Figure BDA0002484540930000108
为均匀分布在(0,1)之间的随机数；
Figure BDA0002484540930000109
为粒子个体w的最优位置；
Figure BDA00024845409300001010
为种群的最优位置；Cbest为平均最优位置，即平均的粒子个体w历史最好位置，且满足：
Figure BDA00024845409300001011
步骤6.2.3：对粒子个体w在第d维第t+1次迭代的位置
Figure BDA00024845409300001012
进行变异操作，获得所述粒子个体w变异后的位置
Figure BDA00024845409300001013
且满足：
Figure BDA00024845409300001014
其中，
Figure BDA0002484540930000111
和
Figure BDA0002484540930000112
分别为第t次迭代时，随机选择的粒子个体w1，w2在第d维的位置；F为变异函数，且满足：
Figure BDA0002484540930000113
其中，变异函数F满足F∈[0,2]，且变异函数F为一个实常数因数，用于控制偏差变量的放大作用；Fmax和Fmin分别为变异算子F的最大值和最小值；f为粒子当前的最优个体适应度值；favg和fmin分别为当前所有粒子的平均适应度值和最小适应度值；
步骤6.2.4：对粒子个体w变异后的位置
Figure BDA0002484540930000114
进行交叉操作，获得粒子个体w交叉后的位置
Figure BDA0002484540930000115
且满足：
Figure BDA0002484540930000116
其中，CR为交叉概率；在本实施例中，交叉概率CR＝0.9；
步骤6.2.5：对粒子个体w交叉后的位置
Figure BDA0002484540930000117
进行选择操作，获得粒子个体w选择后的位置
Figure BDA0002484540930000118
且满足：
Figure BDA0002484540930000119
步骤6.2.6：根据适应度函数计算粒子个体w选择后的位置
Figure BDA00024845409300001110
计算估计坐标fw(x,y)的适应度值fitnessw，并更新种种群的最优位置
Figure BDA00024845409300001111
和粒子个体w的最优位置
Figure BDA00024845409300001112
适应度值fitnessw满足：
Figure BDA00024845409300001113
其中，N为未知节点的个数；
Figure BDA00024845409300001114
为粒子个体w选择后的位置坐标；(xi,yi)为锚节点i的位置坐标；种种群的最优位置
Figure BDA00024845409300001115
和粒子个体w的最优位置
Figure BDA00024845409300001116
分别满足：
Figure BDA00024845409300001117
Figure BDA00024845409300001118
步骤6.2.7：当迭代次数t达到最大迭代次数T时迭代终止，输出粒子个体w的最优解，即为未知节点w的估计坐标Fw(x,y)。
本发明的工作原理：
在无线传感器网络中随机部署若干个传感器节点，且传感器节点中的所有锚节点进行第一次跳数计算，获得每个锚节点与所有锚节点之间的第一最小跳数；根据每个锚节点的第一最小跳数进行筛选平均计算，获得无线传感器网络中所有锚节点的平均跳矩；根据平均跳矩和第一最小跳数进行修正精度处理，获得所有锚节点的最终平均跳矩；传感器节点中的所有锚节点与所有未知节点进行第二次跳数计算，获得每个未知节点与每个锚节点之间的第二最小跳数；根据所有锚节点的最终平均跳矩和第二最小跳数进行距离计算，获得每个未知节点与每个锚节点之间的估计距离；基于最小二乘法和DQPSO算法，根据估计距离进行坐标计算，获得所有未知节点的估计坐标，完成定位性能的优化。
综上所述，本发明一种基于DQPSO算法的定位性能优化方法，解决了传统DV-HOP算法中未知节点定位误差率高的问题，通过剔除误差大的锚节点、修正平均跳矩，并采用DE算法和QPSO算法融合的DQPSO算法，对未知节点的估计坐标进行优化和修正，从而提高了定位精度。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种基于DQPSO算法的定位性能优化方法，其特征在于，包括以下步骤：
步骤1：在无线传感器网络中随机部署若干个传感器节点，且所述传感器节点中的所有锚节点进行第一次跳数计算，获得每个锚节点与所有锚节点之间的第一最小跳数；
步骤2：根据所述每个锚节点的第一最小跳数进行筛选平均计算，获得无线传感器网络中所有锚节点的平均跳矩；
步骤3：根据所述平均跳矩和所述第一最小跳数进行修正精度处理，获得所有锚节点的最终平均跳矩；
步骤4：所述传感器节点中的所有锚节点与所有未知节点进行第二次跳数计算，获得每个未知节点与每个锚节点之间的第二最小跳数；
步骤5：根据所述所有锚节点的最终平均跳矩和所述第二最小跳数进行距离计算，获得所述每个未知节点与每个锚节点之间的估计距离；
步骤6：基于最小二乘法和DQPSO算法，根据所述估计距离进行坐标计算，获得所述所有未知节点的估计坐标，完成定位性能的优化。
2.如权利要求1所述的基于DQPSO算法的定位性能优化方法，其特征在于，所述第一次跳数计算还包括以下步骤：
步骤1.1：所述每个锚节点同时第一次广播各自的锚节点信息至无线传感器网络中；
步骤1.2：所述每个锚节点接收无线传感器网络中的所有锚节点n广播的锚节点信息，并筛选出所述每个锚节点与所述所有锚节点n之间的第一最小跳数。
3.如权利要求2所述的基于DQPSO算法的定位性能优化方法，其特征在于，所述筛选包括以下步骤：
步骤1.2.1：所述锚节点i接收相邻锚节点e的锚节点信息后，记录所述锚节点i与相邻锚节点e的初始跳数值，且初始跳数值为0；
步骤1.2.2：所述相邻锚节点e将所述初始跳数值加1后，转发给相邻锚节点e的下一个相邻锚节点f，获得所述锚节点i与锚节点f的跳数值；
步骤1.2.3：将所述锚节点f继续转发至其余锚节点，重复步骤1.2.2，获得所述锚节点i与所有锚节点n的跳数值，并选择出所述锚节点i与所有锚节点n的第一最小跳数。
4.如权利要求1所述的基于DQPSO算法的定位性能优化方法，其特征在于，所述筛选平均计算还包括以下步骤：
步骤2.1：计算无线传感器网络中锚节点i的最大理想跳数ki；所述锚节点i的最大理想跳数ki满足：
Figure FDA0002484540920000021
其中，di1，di2，di3，di4为锚节点i距离无线传感器网络的矩形区域的4个顶点的距离；R为通信半径；
步骤2.2：将锚节点i与锚节点j的第一最小跳数hij与对应的锚节点i的最大理想跳数ki进行大小比较，从所有锚节点n中筛选出所述第一最小跳数hij小于对应锚节点i的最大理想跳数ki的锚节点，为优质锚节点l；
步骤2.3：从优质锚节点l中选出任意两个锚节点i与锚节点j，并根据锚节点i与锚节点j的第一最小跳数hij进行平均计算，获得优质锚节点l的平均跳矩，作为无线传感器网络中所有锚节点n的平均跳矩HopSizeave；所述平均跳矩HopSizeave满足：
Figure FDA0002484540920000022
其中，(xi，yi)为锚节点i的坐标，(xj，yj)为锚节点j的坐标。
5.如权利要求4所述的基于DQPSO算法的定位性能优化方法，其特征在于，所述修正精度处理还包括以下步骤：
步骤3.1：根据所述平均跳矩HopSizeave和所述第一最小跳数hij进行估计计算，获得锚节点i与锚节点j之间的估计距离dij；所述估计距离dij满足：
dij＝HopSizeave×hij；
步骤3.2：将所述估计距离dij与锚节点i与锚节点j之间的实际距离Dij进行误差比对，获得偏差系数δij；所述偏差系数δij满足：
Figure FDA0002484540920000023
步骤3.3：根据所述偏差系数δij计算获得所述平均跳矩HopSizeave的修正因子λij；所述修正因子λij满足：
λij＝1+δij；
并根据所述修正因子λij对所述平均跳矩HopSizeave进行修正处理，获得修正平均跳矩HopSizeλ-ave；所述修正平均跳矩满足：
HopSizeλ-ave＝λijHopSizeave；
步骤3.4：根据所述平均跳矩HopSizeave和所述修正平均跳矩HopSizeλ-ave进行精度处理，获得所有锚节点n的最终平均跳矩HopSizeF-ave；所述最终平均跳矩HopSizeF-ave满足：
Figure FDA0002484540920000031
6.如权利要求5所述的基于DQPSO算法的定位性能优化方法，其特征在于，所述第二次跳数计算还包括以下步骤：
步骤4.1：所述锚节点i同时第二次广播各自的锚节点信息至无线传感器网络中；
步骤4.2：所述未知节点w接收无线传感器网络中的所有锚节点n广播的锚节点信息，并筛选出每个未知节点w与每个锚节点i之间的第二最小跳数twi。
7.如权利要求6所述的基于DQPSO算法的定位性能优化方法，其特征在于，所述锚节点信息包括锚节点ID、锚节点位置以及跳数值。
8.如权利要求6所述的基于DQPSO算法的定位性能优化方法，其特征在于，所述每个未知节点w与每个锚节点i之间的估计距离为Swi，且满足：
Swi＝HopSizeF-ave×twi。
9.如权利要求6所述的基于DQPSO算法的定位性能优化方法，其特征在于，所述坐标计算包括以下步骤：
步骤6.1：根据所述每个未知节点w与每个锚节点i之间的估计距离Swi，基于最小二乘法，计算出每个未知节点w的初步估计坐标fw(x，y)；所述初步估计坐标满足：
Figure FDA0002484540920000032
步骤6.2：基于差分进化算法和量子粒子群算法融合的DQPSO算法，对所述初步估计坐标fw(x，y)进行迭代优化，获得所述所有未知节点的估计坐标Fw(x，y)。
10.如权利要求9所述的基于DQPSO算法的定位性能优化方法，其特征在于，所述迭代优化还包括以下步骤：
步骤6.2.1：初始化种群，设置种群规模N、最大迭代次数T、收缩扩张系数的初始值和结束值，初始迭代次数t为0；
步骤6.2.2：更新所述初步估计坐标fw(x，y)为粒子个体w的坐标在第d维第t+1次迭代的位置
Figure FDA0002484540920000041
且满足：
Figure FDA0002484540920000042
其中，α为收缩扩张系数；u为在[0，1]上服从均匀分布的随机数；
Figure FDA0002484540920000043
为所述粒子个体w在第t次迭代时的局部吸引点，且满足；
Figure FDA0002484540920000044
其中，
Figure FDA0002484540920000045
为均匀分布在(0，1)之间的随机数；
Figure FDA0002484540920000046
为所述粒子个体w的最优位置；
Figure FDA0002484540920000047
为种群的最优位置；Cbest为平均最优位置，且满足：
Figure FDA0002484540920000048
步骤6.2.3：对所述粒子个体w在第d维第t+1次迭代的位置
Figure FDA0002484540920000049
进行变异操作，获得所述粒子个体w变异后的位置
Figure FDA00024845409200000410
且满足：
Figure FDA00024845409200000411
其中，
Figure FDA00024845409200000412
和
Figure FDA00024845409200000413
分别为第t次迭代时，随机选择的粒子个体w1，w2在第d维的位置；F为变异函数，且满足：
Figure FDA00024845409200000414
其中，Fmax和Fmin分别为F的最大值和最小值；f为粒子当前的最优个体适应度值；favg和fmin分别为当前所有粒子的平均适应度值和最小适应度值；
步骤6.2.4：对所述粒子个体w变异后的位置
Figure FDA00024845409200000415
进行交叉操作，获得所述粒子个体w交叉后的位置
Figure FDA00024845409200000416
且满足：
Figure FDA0002484540920000051
其中，CR为交叉概率；
步骤6.2.5：对所述粒子个体w交叉后的位置
Figure FDA0002484540920000052
进行选择操作，获得所述粒子个体w选择后的位置
Figure FDA0002484540920000053
且满足：
Figure FDA0002484540920000054
步骤6.2.6：根据适应度函数计算粒子个体w选择后的位置
Figure FDA0002484540920000055
计算估计坐标fw(x，y)的适应度值fitnessw，并更新种种群的最优位置
Figure FDA0002484540920000056
和粒子个体w的最优位置
Figure FDA0002484540920000057
所述适应度值fitnessw满足：
Figure FDA0002484540920000058
其中，N为未知节点的个数；
Figure FDA0002484540920000059
为粒子个体w选择后的位置坐标；(xi，yi)为锚节点i的位置坐标；所述种种群的最优位置
Figure FDA00024845409200000510
和所述粒子个体w的最优位置
Figure FDA00024845409200000511
分别满足：
Figure FDA00024845409200000512
Figure FDA00024845409200000513
步骤6.2.7：当迭代次数t达到最大迭代次数T时迭代终止，输出所述粒子个体w的最优解，即为所述未知节点w的估计坐标Fw(x，y)。
CN202010387920.9A 2020-05-09 2020-05-09 一种基于dqpso算法的定位性能优化方法 Active CN111479218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010387920.9A CN111479218B (zh) 2020-05-09 2020-05-09 一种基于dqpso算法的定位性能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010387920.9A CN111479218B (zh) 2020-05-09 2020-05-09 一种基于dqpso算法的定位性能优化方法

Publications (2)

Publication Number Publication Date
CN111479218A true CN111479218A (zh) 2020-07-31
CN111479218B CN111479218B (zh) 2022-09-06

Family

ID=71763127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010387920.9A Active CN111479218B (zh) 2020-05-09 2020-05-09 一种基于dqpso算法的定位性能优化方法

Country Status (1)

Country Link
CN (1) CN111479218B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113329490A (zh) * 2021-06-02 2021-08-31 哈尔滨工程大学 一种基于量子虎鲨机制的无线传感器网络节点定位方法
CN113347707A (zh) * 2021-06-03 2021-09-03 河南工业大学 一种基于加权迭代和双重选择的DV-Hop节点定位方法
CN113365371A (zh) * 2021-06-08 2021-09-07 中山大学 一种多项式近似的差分进化节点定位方法
CN113438732A (zh) * 2021-06-16 2021-09-24 江南大学 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法
CN113453335A (zh) * 2021-06-25 2021-09-28 河南大学 基于DV-hop改进的凸优化WSNs节点定位方法
CN113473365A (zh) * 2021-07-05 2021-10-01 上海海事大学 融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8234068B1 (en) * 2009-01-15 2012-07-31 Rockwell Collins, Inc. System, module, and method of constructing a flight path used by an avionics system
CN107203811A (zh) * 2017-05-22 2017-09-26 成都理工大学 一种基于改进qpso算法的rbf神经网络优化方法
CN110049433A (zh) * 2019-04-24 2019-07-23 上海海事大学 一种基于edw-dpso算法的定位性能优化方法
CN111079888A (zh) * 2019-11-14 2020-04-28 佛山科学技术学院 一种基于混合qpso-de寻优预测水质溶氧方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8234068B1 (en) * 2009-01-15 2012-07-31 Rockwell Collins, Inc. System, module, and method of constructing a flight path used by an avionics system
CN107203811A (zh) * 2017-05-22 2017-09-26 成都理工大学 一种基于改进qpso算法的rbf神经网络优化方法
CN110049433A (zh) * 2019-04-24 2019-07-23 上海海事大学 一种基于edw-dpso算法的定位性能优化方法
CN111079888A (zh) * 2019-11-14 2020-04-28 佛山科学技术学院 一种基于混合qpso-de寻优预测水质溶氧方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
留黎钦: "基于差分进化的量子粒子群优化算法的研究", 《延边大学学报(自然科学版)》 *
高美凤等: "遗传粒子群优化的DV-Hop定位算法", 《传感技术学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113329490A (zh) * 2021-06-02 2021-08-31 哈尔滨工程大学 一种基于量子虎鲨机制的无线传感器网络节点定位方法
CN113329490B (zh) * 2021-06-02 2022-06-21 哈尔滨工程大学 一种基于量子虎鲨机制的无线传感器网络节点定位方法
CN113347707A (zh) * 2021-06-03 2021-09-03 河南工业大学 一种基于加权迭代和双重选择的DV-Hop节点定位方法
CN113365371A (zh) * 2021-06-08 2021-09-07 中山大学 一种多项式近似的差分进化节点定位方法
CN113365371B (zh) * 2021-06-08 2023-01-06 中山大学 一种多项式近似的差分进化节点定位方法
CN113438732A (zh) * 2021-06-16 2021-09-24 江南大学 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法
CN113453335A (zh) * 2021-06-25 2021-09-28 河南大学 基于DV-hop改进的凸优化WSNs节点定位方法
CN113453335B (zh) * 2021-06-25 2022-06-14 河南大学 基于DV-hop改进的凸优化WSNs节点定位方法
CN113473365A (zh) * 2021-07-05 2021-10-01 上海海事大学 融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法

Also Published As

Publication number Publication date
CN111479218B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN111479218B (zh) 一种基于dqpso算法的定位性能优化方法
JP6596516B2 (ja) 人工ニューラルネットワークの測位性能を改善するための方法および装置
CN111556454B (zh) 一种基于最小均方误差准则的加权DV_Hop节点定位方法
CN102905365B (zh) 一种无线传感器网络节点定位方法
CN111432368B (zh) 一种适用于稀疏锚节点wsn的测距定位方法
CN101403793A (zh) 一种无线传感器网络分布式节点定位方法
CN110401958B (zh) 一种基于虚拟力的节点动态覆盖增强方法
CN112469117B (zh) 一种改进的不规则无线传感器网络DV-hop定位方法
CN108924755A (zh) 基于免疫粒子群优化的dv-hop室内定位方法
CN109842935A (zh) 一种基于混合smpso优化的加权dv-hop定位方法
CN112881979A (zh) 一种基于ekf滤波的初始状态自适应融合定位方法
CN113316084A (zh) 一种基于rssi的灰狼优化差分修正质心定位算法
CN111007546A (zh) 基于北斗伪距差分与无线的室内外融合定位技术
CN113438732B (zh) 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法
CN109560972B (zh) 一种Ad Hoc网络物理拓扑非协作式推断方法
CN112738709B (zh) 一种基于uwb信号的粒子群搜索室内定位方法及系统
CN113365214B (zh) 基于三边定位改进的无线传感器网络节点定位方法和装置
CN107613561B (zh) 一种基于交流sce-pso算法的无线传感器网络节点三维定位方法
CN115550837B (zh) 一种基于混沌映射与灰狼算法优化的DV-Hop定位方法
CN111398890B (zh) 一种基于协方差矩阵重构的布谷鸟搜索doa估计方法
CN117241215A (zh) 一种基于图神经网络的无线传感器网络分布式节点协作定位方法
CN110297212B (zh) 基于Voronoi图的室外分组测试定位方法及系统
CN113490172B (zh) 一种基于正余弦优化与跳段优化的DV-Hop定位算法
CN114169244A (zh) 一种基于呼吸直方图算法的移动通信网络覆盖优化方法
CN107147995B (zh) 基于Tikhonov规则化的无线定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant